CN105807607B - 一种遗传算法优化预测模糊pid焦化炉温度控制方法 - Google Patents
一种遗传算法优化预测模糊pid焦化炉温度控制方法 Download PDFInfo
- Publication number
- CN105807607B CN105807607B CN201610308275.0A CN201610308275A CN105807607B CN 105807607 B CN105807607 B CN 105807607B CN 201610308275 A CN201610308275 A CN 201610308275A CN 105807607 B CN105807607 B CN 105807607B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- control
- pid
- follows
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004939 coking Methods 0.000 title claims abstract description 22
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 230000008569 process Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 241001522296 Erithacus rubecula Species 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000010129 solution processing Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种遗传算法优化预测模糊PID焦化炉温度控制方法。本发明首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上,依据模糊控制在线调整PID控制器的参数,引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足,采用遗传算法优化其模糊控制规则,从而使经过优化获得的控制规则更加合理。本发明弥补了传统控制方式的不足,保证具备良好的控制性能,同时又具有PID控制的简单形式,从而保证温度跟踪的精度。
Description
技术领域
本发明属于自动化技术领域,涉及一种遗传算法优化预测模糊比例积分微分(PID)焦化炉温度控制方法。
背景技术
化工过程是我国流程工业过程的重要组成部分,其要求是供给合格的工业产品,以满足我国工业的需要。在目前工业控制中,因为传统的PID控制技术具有结构简单、鲁棒性好、易于操作等优点,所以在工业中得到了广泛的应用。在实际工业控制过程中,由于干扰、非线性等因素,传统的PID对焦化炉温度控制的控制性能差,往往不能满足实际化工过程中的日益严格的控制精度和产品质量要求,更加先进、控制效果更好的方法仍然有待研究。针对温度控制过程的控制方法有很多,现已取得了一定的成果。预测模糊PID控制实现了PID控制器的参数进行在线调整,引入的预测控制达到了提前调整的目的。针对传统的获取控制规则方法的不足,采用遗传算法优化其模糊控制规则,从而使经过优化获得的控制规则更加合理,保证了控制结构的形式简单和跟踪精度。
发明内容
本发明的目的是针对现有的化工过程系统控制技术的不足之处,提供一种遗传算法优化预测模糊PID焦化炉温度控制方法。该方法弥补了传统控制方式的不足,保证具备良好的控制性能,同时又具有PID控制的简单形式,从而保证温度跟踪的精度。
本发明方法首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上,依据模糊控制在线调整PID控制器的参数,引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足,采用遗传算法优化其模糊控制规则,从而使经过优化获得的控制规则更加合理。
本发明的技术方案是通过数据采集、模型建立、优化等手段,提供一种基于遗传算法优化预测模糊PID焦化炉温度控制方法,从而在实际过程中对温度控制获得更好的控制性能,有效提高系统的控制性能。
本发明方法的步骤包括:
步骤1、建立焦化炉的一阶惯性加纯滞后模型,具体步骤是:
1.1通过采集被控对象的阶跃响应数据,利用两点法建立系统模型。形式如下:
其中,Km,Tm,τm分别为模型的稳态增益、时间常数和纯滞后时间。在加一个零阶保持器离散化后,模型的差分方程为:
ym(k)=amy(k)+Km(1-am)u(k-L-1)
其中,ym(k)为k时刻的过程对象模型预测输出,u(k-1-L)为k-L-1时刻的被控对象的控制输入,Ts为采样时间;L等于τm/Ts的整数部分。
1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出,形式如下:
ymav(k)=amymav(k-1)+Km(1-am)u(k-1)
其中,P为预测步长,ymav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出,ymav(k)为k时刻去掉纯滞后的过程模型输出。
1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值,形式如下:
ypav(k)=yp(k)+ymav(k)-ymav(k-L)
其中,ypav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值,yp(k)为k时刻的实际输出值。
步骤2、设计被控对象的模糊PID控制器,具体步骤是:
2.1通过PID控制器获取经验PID参数其中,经验PID参数是在无模糊控制器的情况下,先通过实验法调试好的一组较理想的PID参数,并以该参数作为经验PID控制参数。
2.2构建模糊控制器,模糊控制器包括模糊器,模糊推理机、数据库、规则库和解模糊器;
模糊控制器的建立方式如下:
2.2.1模糊语言变量的确定
将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言,ΔKp,ΔKi,ΔKd为输出语言。其变化范围定义为模糊机上的基本论域:[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6].
其模糊子集为e(t),Δe(t)={NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为:负大、负中、负小、正小、正中、正大。将基本论域的量进行离散化然后进行模糊处理,如果输入语言范围在基本论域内,可通过线性变化公式进行转化,公式如下:
2.2.2确定隶属度函数
一般来说,模糊隶属度函数对控制效果的影响并不是很大,这里选取运算较为简单的三角形隶属度函数,其形状仅与斜率直线相关,运行内存占有较少,适合于在线调整。
2.2.3建立模糊规则库
当系统偏差较大时,为了加快响应速度,同时避免超调与积分饱和,这时应该选取较大的Kp,中等的Kd以及较小的Ki。当系统偏差较小时,为了保证系统的稳定性,应该取较小的Kp和Ki,较大Kd。
根据规则分析,可制定出模糊规则表。
以上步骤2.2是在控制系统开始运行后,将给定温度和当前温度做差分运算,根据差值的大小、方向、变化趋势等特征,通过模糊推理机作出决策,经过解模糊器处理得出相应PID增益参数ΔKp,ΔKi,ΔKd。
2.3将经验PID参数和设定值输入模糊自整定PID控制器;
2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入,在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理,得出一组PID增益参数ΔKp,ΔKi,ΔKd,将该增益参数与经验PID参数线性相加,获取一组理想的PID参数:
2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t),其表示式如下:
执行机构的控制量u(t)作用在被控对象上,从而控制温度。
步骤3、利用遗传算法优化模糊规则,具体步骤是:
3.1首先对模糊规则参数进行二进制编码,每个数字使用四位二进制,将其串联起来得到第一代染色体。在遗传算法中,使用1,2,3,4,5,6,7分别代表模糊控制表中语言变量NB,NM,NS,ZO,PS,PM,PB。
3.2选取遗传算法的适应度函数,并计算个体的适应度值,形式如下:
其中,F是个体的适应度函数。当适应度函数值大于适应度预设值fz时,遗传算法终止。
3.3利用轮转法来确定选择算子,形式如下:
其中,P(Cl)是个体Cl的选择概率,f(Cl)是个体Cl的适应度。
3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率pc进行交叉操作,产生下一代个体。
3.5选取合适的变异算子,形式如下:
其中,a0表示变异概率pm的初始值,b0是变异概率的程度,g式进化的代数,g0是变异概率改变很大的进化代数,a是变异速率。
3.6在个体数目大于种群规模N时,得到剪接算子,形式如下:
其中,ρ取正数。
3.7依照步骤3.2计算每个个体的适应度值,并判断是否满足终止条件,如果满足,则为参数的最优解,进行下一步操作,如果不满足,则执行步骤3.2到步骤3.6,直到找到满足终止条件为止。
3.8对染色体进行解码,形式如下:
其中,Q是长度为L的二进制解码产生的整数,xj,min和xj,max分别为输入变量的最小值和最大值,wmax是高斯函数的基宽的最大值。
通过步骤3优化后的模糊规则带入步骤2中调整模糊规则,并利用预测模型对过程输出进行预测,在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测,依次循环。
本发明有益效果:
本发明方法首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上,依据模糊控制在线调整PID控制器的参数,引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足,采用遗传算法优化其模糊控制规则,从而使经过优化获得的控制规则更加合理。
附图说明
图1为发明的预测模糊自整定PID的焦化炉温度控制系统结构图。
具体实施方式
下面以焦化炉温度预测过程为例,对本发明作进一步说明。
在焦化炉温度预测过程中,为评估模型的性能,由工业生产的实际应用系统得到温度的实时数据,见图1。
遗传算法优化预测模糊PID焦化炉温度控制方法的具体步骤包括:
步骤1、建立焦化炉的一阶惯性加纯滞后模型,具体步骤是:
1.1通过采集被控对象的阶跃响应数据,利用两点法建立系统模型。形式如下:
其中,Km,Tm,τm分别为模型的稳态增益、时间常数和纯滞后时间。在加一个零阶保持器离散化后,模型的差分方程为:
ym(k)=amy(k)+Km(1-am)u(k-L-1)
其中,ym(k)为k时刻的过程对象模型预测输出,u(k-1-L)为k-L-1时刻的被控对象的控制输入,Ts为采样时间;L等于τm/Ts的整数部分。
1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出,形式如下:
ymav(k)=amymav(k-1)+Km(1-am)u(k-1)
其中,P为预测步长,ymav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出,ymav(k)为k时刻去掉纯滞后的过程模型输出。
1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值,形式如下:
ypav(k)=yp(k)+ymav(k)-ymav(k-L)
其中,ypav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值,yp(k)为k时刻的实际输出值。
步骤2、设计焦化炉的模糊PID控制器,具体步骤是:
2.1通过PID控制器获取经验PID参数其中,经验PID参数是在无模糊控制器的情况下,先通过实验法调试好的一组较理想的PID参数,并以该参数作为经验PID控制参数。
2.2构建模糊控制器,模糊控制器包括模糊器,模糊推理机、数据库、规则库和解模糊器;
模糊控制器的建立方式如下:
2.2.1模糊语言变量的确定
将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言,ΔKp,ΔKi,ΔKd为输出语言。其变化范围定义为模糊机上的基本论域:[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6].
其模糊子集为e(t),Δe(t)={NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为:负大、负中、负小、正小、正中、正大。将基本论域的量进行离散化然后进行模糊处理,如果输入语言范围在基本论域内,可通过线性变化公式进行转化,公式如下:
2.2.2确定隶属度函数
一般来说,模糊隶属度函数对控制效果的影响并不是很大,这里选取运算较为简单的三角形隶属度函数,其形状仅与斜率直线相关,运行内存占有较少,适合于在线调整。
2.2.3建立模糊规则库
当系统偏差较大时,为了加快响应速度,同时避免超调与积分饱和,这时应该选取较大的Kp,中等的Kd以及较小的Ki。当系统偏差较小时,为了保证系统的稳定性,应该取较小的Kp和Ki,较大Kd。
根据规则分析,可制定出模糊规则表。
以上步骤2.2是在控制系统开始运行后,将给定温度和当前温度做差分运算,根据差值的大小、方向、变化趋势等特征,通过模糊推理机作出决策,经过解模糊器处理得出相应PID增益参数ΔKp,ΔKi,ΔKd。
2.3将经验PID参数和设定值输入模糊自整定PID控制器。
2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入,在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理,得出一组PID增益参数ΔKp,ΔKi,ΔKd,将该增益参数与经验PID参数线性相加,获取一组理想的PID参数:
2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t),其表示式如下:
执行机构的控制量u(t)作用在被控对象上,从而控制温度。
步骤3、利用遗传算法优化模糊规则,具体步骤是:
3.1首先对模糊规则参数进行二进制编码,每个数字使用四位二进制,将其串联起来得到第一代染色体。在遗传算法中,使用1,2,3,4,5,6,7分别代表模糊控制表中语言变量NB,NM,NS,ZO,PS,PM,PB。
3.2选取遗传算法的适应度函数,并计算个体的适应度值,形式如下:
其中,F是个体的适应度函数。当适应度函数值大于适应度预设值fz时,遗传算法终止。
3.3利用轮转法来确定选择算子,形式如下:
其中,P(Cl)是个体Cl的选择概率,f(Cl)是个体Cl的适应度。
3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率pc进行交叉操作,产生下一代个体。
3.5选取合适的变异算子,形式如下:
其中,a0表示变异概率pm的初始值,b0是变异概率的程度,g式进化的代数,g0是变异概率改变很大的进化代数,a是变异速率。
3.6在个体数目大于种群规模N时,得到剪接算子,形式如下:
其中,ρ取正数。
3.7依照步骤3.2计算每个个体的适应度值,并判断是否满足终止条件,如果满足,则为参数的最优解,进行下一步操作,如果不满足,则执行步骤3.2到步骤3.6,直到找到满足终止条件为止。
3.8对染色体进行解码,形式如下:
其中,Q是长度为L的二进制解码产生的整数,xj,min和xj,max分别为输入变量的最小值和最大值,wmax是高斯函数的基宽的最大值。
通过步骤3优化后的模糊规则带入步骤2中调整模糊规则,并利用预测模型对过程输出进行预测,在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测,依次循环。
Claims (1)
1.一种遗传算法优化预测模糊PID焦化炉温度控制方法,其特征在于该方法包括以下步骤;
步骤1、建立焦化炉的一阶惯性加纯滞后模型,具体是:
1.1通过采集被控对象的阶跃响应数据,利用两点法建立系统模型;形式如下:
其中,Km,Tm,τm分别为模型的稳态增益、时间常数和纯滞后时间;在加一个零阶保持器离散化后,模型的差分方程为:
ym(k)=amy(k)+Km(1-am)u(k-L-1)
其中,ym(k)为k时刻的过程对象模型预测输出,
u(k-L -1 )为k-L-1时刻的被控对象的控制输入,Ts为采样时间;L等于τm/Ts的整数部分;
1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出,形式如下:
ymav(k)=amymav(k-1)+Km(1-am)u(k-1)
其中,P为预测步长,ymav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出,ymav(k)为k时刻去掉纯滞后的过程模型输出;
1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值,形式如下:
ypav(k)=yp(k)+ymav(k)-ymav(k-L)
其中,ypav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值,yp(k)为k时刻的实际输出值;
步骤2、设计被控对象的模糊PID控制器,具体是:
2.1通过PID控制器获取经验PID参数
2.2构建模糊控制器,模糊控制器包括模糊器,模糊推理机、数据库、规则库和解模糊器;
模糊控制器的建立方式如下:
2.2.1模糊语言变量的确定
将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言,ΔKp,ΔKi,ΔKd为输出语言;其变化范围定义为模糊推理机上的基本论域:[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6]
其模糊子集为e(t),Δe(t)={NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为:负大、负中、负小、零、正小、正中、正大;将基本论域的量进行离散化然后进行模糊处理,如果输入语言范围在基本论域内,通过线性变化公式进行转化,公式如下:
2.2.2确定隶属度函数,选取运算较为简单的三角形隶属度函数;
2.2.3建立模糊规则库
当系统偏差较大时,为了加快响应速度,同时避免超调与积分饱和,这时应该选取较大的Kp,中等的Kd以及较小的Ki;当系统偏差较小时,为了保证系统的稳定性,应该取较小的Kp和Ki,较大Kd;
根据规则分析,制定出模糊规则表;
以上步骤2.2是在控制系统开始运行后,将给定温度和当前温度做差分运算,根据差值的大小、方向、变化趋势,通过模糊推理机作出决策,经过解模糊器处理得出相应PID增益参数ΔKp,ΔKi,ΔKd;
2.3将经验PID参数和设定值输入模糊自整定PID控制器;
2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入,在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理,得出一组PID增益参数ΔKp,ΔKi,ΔKd,将该增益参数与经验PID参数线性相加,获取一组理想的PID参数:
2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t),其表示式如下:执行机构的控制量u(t)作用在被控对象上,从而控制温度;
步骤3、利用遗传算法优化模糊规则,具体是:
3.1首先对模糊规则参数进行二进制编码,每个数字使用四位二进制,将其串联起来得到第一代染色体;在遗传算法中,使用1,2,3,4,5,6,7分别代表模糊控制表中语言变量NB,NM,NS,ZE,PS,PM,PB;
3.2选取遗传算法的适应度函数,并计算个体的适应度值,形式如下:
其中,F是个体的适应度函数;当适应度函数值大于适应度预设值fz时,遗传算法终止;
3.3利用轮转法来确定选择算子,形式如下:
其中,P(Cl)是个体Cl的选择概率,f(Cl)是个体Cl的适应度;
3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率pc进行交叉操作,产生下一代个体;
3.5选取合适的变异算子,形式如下:
其中,a0表示变异概率pm的初始值,b0是变异概率的程度,g是 进化的代数,g0是变异概率改变很大的进化代数,a是变异速率;
3.6在个体数目大于种群规模N时,得到剪接算子,形式如下:
其中,ρ取正数;
3.7依照步骤3.2计算每个个体的适应度值,并判断是否满足终止条件,如果满足,则为参数的最优解,进行下一步操作,如果不满足,则执行步骤3.2到步骤3.6,直到找到满足终止条件为止;
3.8对染色体进行解码,形式如下:
其中,Q是长度为L的二进制解码产生的整数,xj,min和xj,max分别为输入变量的最小值和最大值,wmax是高斯函数的基宽的最大值;
通过步骤3优化后的模糊规则带入步骤2中调整模糊规则,并利用预测模型对过程输出进行预测,在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测,依次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308275.0A CN105807607B (zh) | 2016-05-11 | 2016-05-11 | 一种遗传算法优化预测模糊pid焦化炉温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308275.0A CN105807607B (zh) | 2016-05-11 | 2016-05-11 | 一种遗传算法优化预测模糊pid焦化炉温度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105807607A CN105807607A (zh) | 2016-07-27 |
CN105807607B true CN105807607B (zh) | 2018-09-25 |
Family
ID=56455810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610308275.0A Active CN105807607B (zh) | 2016-05-11 | 2016-05-11 | 一种遗传算法优化预测模糊pid焦化炉温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105807607B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3938849A4 (en) * | 2019-03-15 | 2022-12-28 | 3M Innovative Properties Company | TUNING PID PARAMETERS USING CAUSAL MODELS |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062040B (zh) * | 2018-07-27 | 2021-12-10 | 湖北工业大学 | 基于系统嵌套优化的预测pid方法 |
CN109213178A (zh) * | 2018-11-15 | 2019-01-15 | 武汉南华工业设备工程股份有限公司 | 一种航向控制方法及装置 |
CN110147129A (zh) * | 2019-05-16 | 2019-08-20 | 湖北问天软件系统有限公司 | 烤盘的自适应温度控制器及控制方法 |
CN110686242A (zh) * | 2019-08-28 | 2020-01-14 | 光大环保技术装备(常州)有限公司 | 一种等离子飞灰熔融炉炉膛温度控制方法及控制系统 |
CN110705030B (zh) * | 2019-09-06 | 2023-03-24 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN110908277B (zh) * | 2019-10-22 | 2022-04-01 | 南京航空航天大学 | 一种基于混合编码的遗传优化轨迹跟踪控制系统 |
CN110850914A (zh) * | 2020-01-14 | 2020-02-28 | 浙江科强智能控制系统有限公司 | 一种参数自整定的温控方法 |
CN112947627B (zh) * | 2021-02-24 | 2021-11-23 | 金陵科技学院 | 一种基于ddpg-模糊pid的温度控制方法 |
CN114120617B (zh) * | 2021-11-29 | 2022-12-09 | 珠海格力电器股份有限公司 | 遥控器红外信号的编码方法与装置 |
CN114609901A (zh) * | 2022-05-12 | 2022-06-10 | 浙江浩普环保工程有限公司 | 一种焚烧炉模糊自适应温度控制方法及系统 |
CN116451494A (zh) * | 2023-04-25 | 2023-07-18 | 上海交通大学 | 安全高效甲醇重整制氢运行参数调整方法、调节方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101279060B1 (ko) * | 2011-08-17 | 2013-07-02 | 주식회사 포스코 | 열풍로의 자동 퍼지 장치 |
CN103123460A (zh) * | 2011-11-21 | 2013-05-29 | 才秀君 | 温度控制系统和温度控制方法 |
CN102968055A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 基于遗传算法的模糊pid控制器及其控制方法 |
CN104318303A (zh) * | 2014-09-23 | 2015-01-28 | 杭州电子科技大学 | 遗传算法优化的rbf神经网络的焦化炉温度预测方法 |
-
2016
- 2016-05-11 CN CN201610308275.0A patent/CN105807607B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3938849A4 (en) * | 2019-03-15 | 2022-12-28 | 3M Innovative Properties Company | TUNING PID PARAMETERS USING CAUSAL MODELS |
Also Published As
Publication number | Publication date |
---|---|
CN105807607A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105807607B (zh) | 一种遗传算法优化预测模糊pid焦化炉温度控制方法 | |
Gani et al. | Optimal PID tuning for controlling the temperature of electric furnace by genetic algorithm | |
CN109839825B (zh) | 一种稀土萃取过程组分含量的预测控制方法及系统 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN109254530B (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
Sivakumar et al. | Application of fuzzy model predictive control in multivariable control of distillation column | |
WO2020175418A1 (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
Lei et al. | Online optimization of fuzzy controller for coke-oven combustion process based on dynamic just-in-time learning | |
Zhou et al. | Recursive learning-based bilinear subspace identification for online modeling and predictive control of a complicated industrial process | |
CN105955350B (zh) | 遗传算法优化加热炉温度的分数阶预测函数控制方法 | |
Zhou et al. | Data modeling for quality prediction using improved orthogonal incremental random vector functional-link networks | |
CN106773646B (zh) | 一种催化裂化过程中原油预热温度控制方法 | |
CN105807635A (zh) | 预测模糊控制优化的废塑料炼油裂解炉炉膛压力控制方法 | |
CN113655816A (zh) | 钢包底吹氩系统流量控制方法及计算机可读存储介质 | |
Abadli et al. | Experimental validation of a nonlinear model predictive controller regulating the acetate concentration in fed‐batch Escherichia coli BL21 (DE3) cultures | |
Guojun et al. | A real-time updated model predictive control strategy for batch processes based on state estimation | |
CN111781821B (zh) | SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法 | |
Dwisaputra et al. | Fuzzy Logic Controller Design and Implementation for Delayed and Nonlinear Time Variant Batch Distillation Column | |
Ekpo et al. | Performance analysis of three controllers for the polymerisation of styrene in a batch reactor | |
Ghazali et al. | Data-driven neuroendocrine-PID tuning based on safe experimentation dynamics for control of TITO coupled tank system with stochastic input delay | |
CN112015083B (zh) | Siso紧格式无模型控制器基于集成学习的参数自整定方法 | |
CN111752152B (zh) | Siso紧格式无模型控制器基于lstm神经网络的参数自整定方法 | |
Ben Aicha et al. | Design of GPC closed-loop performances using multi-objective optimisation | |
Fang-chen et al. | Iterative learning control with an improved internal model for a monitoring automatic-gauge-control system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |